随着智能仓储物流的发展和广泛应用,堆垛机作为智能物流立体仓储的核心,其使用频率随着业务的增多而不断增加,如何合理的对堆垛机状态进行采集,及时的对堆垛机进行故障预测提出维修决策,保障其运行的安全性和可靠性成为了近年来的一个研究热点。针对此问题,对采集研究的堆垛机数据进行介绍,并通过Python进行数据预处理,利用深度学习、模糊理论等方法建立堆垛机故障预测和维修决策模型,提取故障特征进行故障预测。主要的研究内容和成果如下:对采集的相关数据进行清洗、集成和区间处理,并针对半结构化数据进行实体关系抽取;利用模糊综合评价将堆垛机状态进行分级,利用灰色关联度分析提取特征;采用LSTM长短期神经网络对堆垛机时间特征序列进行状态的预测,采用高斯核SVM支持向量机对预测的堆垛机状态进行故障类别的分类;建立堆垛机故障知识库,引入置信度的概念,采用模糊规则提升理论动态更新置信度,结合故障现象,通过匹配故障源和置信度进行故障决策;对堆垛机故障预测模块的功能单元和故障预测流程进行了设计,建立堆垛机相关数据库,并利用某企业五年的堆垛机数据进行了故障类别预测和决策提取的分析验证,并对主要功能界面进行了展示。